基于核心素养培养的人工智能+物理跨学科系列课程设计与实施

【摘 要】为服务国家战略前沿的顶层设计，探索符合国情、基础教育学情、学生发展特点且能够促进学生核心素养、具有推广辐射价值的，面向未来高阶能力和智能素养的中学跨学科人工智能课程体系建设与教学实施实践经验，本文以人工智能领域的思想和方法等作为跨学科课程教学内容，基于核心素养培养，进行人工智能+物理的跨学科创新课程教学设计与实施，为人工智能交叉赋能的中学跨学科创新教学实践提供经验与借鉴。

【关键词】核心素养；跨学科；人工智能；物理

【中图分类号】G434 【文献标志码】A

【论文编号】1671-7384（2024）07-009-03

跨学科系列课程设计

1.基于核心素养培养的设计目标

结合人工智能教育现状和国家课程标准，基于人民大学附属中学人工智能跨学科的实际教学情况和学生知识水平，我们从高中信息技术和物理学科的学生核心素养出发，以跨学科核心素养培养为设计目标，进行人工智能+物理的跨学科系列课程设计。其中信息技术学科在获取与处理信息、建立模型和数据分析、数字化学习与创新等方面，提出了核心素养的培养要求，而模型建构、获取和处理信息等也是物理学科学生核心素养培养的重要方面，由此提炼出“模型”和“数据”这两个跨学科的共性和交叉点。

2.建立由浅入深的课程体系

基于学生核心素养培养的设计目标，面向真实问题，设定跨学科系列课程的主题为“模型建构与数据分析”。从高中物理课堂上的真实问题出发，如面对复杂非线性模型被理想化、实验不好做或不能做、学生所学知识技能与现实情境问题求解思路有较大偏差等情况，以人工智能为核心概念，以选修物理的学生为主体，在不要求更多人工智能学习背景的前提下，将人工智能的学科基础、核心思想及内涵外延，科学创新地变换渗透到中学物理知识体系内，建立由浅入深的课程体系，逐步引导学生用跨学科创新思维解决现实问题。

3.实现人工智能+物理的跨学科课程解构

从模型建构来说，物理课堂上所讲授的基本都是理想化的线性模型，即自变量与因变量之间满足线性关系，很少涉及非线性模型或者解决现实问题所需的更加复杂的模型。从数据分析来说，学生对于手画图的操作方法非常熟悉，大部分学生也了解或使用过电子表格或其他工具，但是对基于真实情况获取有效数据并更好地分析处理等方面缺乏认识。人工智能+物理的跨学科课程解构，从学生感兴趣且有真实体验的问题出发，从已有模型和数据的简单实践引入并建立机器学习框架，然后通过计算成像概念探究跨学科思维和方法，最后引导学生在处理现实复杂问题时，学会人工智能与物理相结合的实践应用。该系列课程为深度研究课，设计面向高中10年级学生，每节课都由信息技术和物理双师授课，结构如图1所示。

跨学科系列课程实施

1.第一课：科学实验中的数据分析

学生通过观察带有空气阻力的落体运动，对情境进行初步建模。借助已有的实验数据，通过人机两种不同的数据分析手段，实际操作获得最佳拟合线。借助数据分析中最佳拟合线的获得过程，理解机器学习的框架，体验跨学科中的模型建构与数据分析。

引入情境：游戏视频中的跳伞运动，即模拟真实情况的落体运动。

环节一：人机大战。我们从模型和数据两个维度，将学生分为四个小组，组织人机大战，让学生先实践，通过画最佳拟合线来寻找解释数据的合理模型。在实践中学生会发现机器在这个任务上做得很不错，进一步引发学生学习的好奇心。环节二：解密最佳拟合。基于前面学生人机大战的实验结果，教师引导学生继续探究，在此过程中解释最佳拟合背后的“所以然”。寻找最佳线性拟合线的过程，就是通过调整拟合线的系数，使得在观测到的真实数据上预测值与真实值的差距即均方差MSE最小，模拟机器学习的训练过程。环节三：对训练得到的模型进行测试。这是学生“检验”的过程，如何评价最佳拟合，判断模型选取的好坏，以及理解什么样的机器学习结果是真的好，是这一部分关注的内容。本环节的设计是让学生用新的数据来测试第一个环节中获得的拟合模型，理解机器学习的测试过程。最后是教师总结并拓展。从机器学习的基本框架看人工智能前沿，让学生感受到人工智能离自己并不遥远，日常生活中比比皆是，在物理学习和科研方面也有非常多的应用。

2.第二课：科学分析中的计算成像

从打点计时器描述物体运动出发，展示建模获取实验数据的过程，借助运动视频的处理分析，讲述机器学习的基本框架。再面向实际问题“如何让科学实验图像看得见和更清晰”，借助物理前沿以及算法原理，通过计算成像的跨学科链接，强化理解模型建构与数据分析的重要性。

环节一（课堂引入）：测重力加速度的方法。教师展示打点计时器的实验，从数据结果来看，打点数据无法描述真实运动物体形态——“看不见”；整个实验过程费时费力，数据不容易获取且时间精度很差，无法描述更加精细的运动——“看不清”。由此界定问题为：物理实验如何才能看得见、看得清？环节二：视频分析和机器学习原理及探索。从物理实践角度，学生已经在作业中尝试过录一段视频测重力加速度的过程。本环节通过展示不同学生的处理方法，如手动标记并通过视频软件截图记录数据，或者将视频导入Tracker软件追踪获取位移和时间数据，还有学生利用Tracker程序自动跟踪物体获取数据并自动处理得到结果，体现由复杂到简单、由人工到智能的解决问题方案。这背后的算法原理就是机器学习，借此强化机器学习的基本框架，并且引导学生从中体会到，得益于人工智能技术的助力，模型建构与数据分析过程可以变得简单直观。但在实际物理实验过程中，录制的视频还是会存在看不见或者看不清的情况。由学生讨论，提出改善和提高物理实验精度的需求，然后通过分析视频成像如何产生以及怎么计算呈现等问题，找到从物理和人工智能两个角度寻求解决问题的方案，引入以下两个环节的内容。环节三和环节四：从物理方法来讲，通过高速摄影和阿秒激光的介绍，学生了解到借助物理前沿手段能够解决光线的问题，即用更快速的频闪激光拍照，可以让看不见变为看得见。如何呈现出图像，也就是成像，则需要从人工智能方法出发，以计算机建模为基础，学生经过进一步超分辨率重建的实践探究，可以理解如何从看不清变为看得清，并逐步探究计算成像的内涵与外延，强化跨学科知识综合求解问题的思路。最后，基于以上环节，教师进行总结拓展，讲述成像在物理实验观测中的重要性，而计算成像本身打破了传统成像“所见即所得”的设计理念，是光学与计算的深度融合，也是天然的跨学科链接。实际科学研究中很多问题的突破往往都是学科间互相推动、共同作用产生的结果，由此加深学生对跨学科的理解和感悟。

这节课的重点是计算成像跨学科概念和人工智能+物理的跨学科求解问题思路，难点在于跨学科概念的深入与迁移，以及复杂问题中计算成像的理解。教学设计由简单到复杂，由内涵到外延，逐步引入计算成像的概念，在求解问题的过程中充分体现人工智能与物理两个学科交叉与促进，帮助学生建立跨学科概念，培养利用跨学科知识和方法解决真实问题的能力。

3.第三课：从数据到实践的建模分析

针对现实生活中的真实问题，即投篮如何命中的问题，借助智能软件对现实投篮视频进行观察，通过合理的模型建构，分析投篮轨迹，进行变量聚焦，引导学生学习数据提取与分析的方法。借助通用大模型，探索利用人工智能对投篮数据进行进一步分析，带领学生体验从数据到实践的过程与迁移应用，强化人工智能与科学探究相结合解决现实问题的思路。

环节一（课堂引入）：篮球比赛中的罚球。教师展示学生篮球比赛罚球都未投中和练习时都投中的视频，提出问题：投篮如何命中？环节二：投篮问题分析。在教师引导下，学生思考影响“投中”和“投不中”的可能因素，借助大量物理实验积累的经验，想到要从控制变量、减小误差等方面着手进行研究。学生在课堂实践中，用Tracker来分析“投中”即入框瞬间的情况，然后通过物理建模，将“投中”问题调整为：如何根据已知的终点、已知的抛物线模型，确定未知的起点，研究整个运动轨迹，逐步将现实问题转化为可求解的问题。环节三：投篮视频数据采集与分析。学生在实践中逐步熟练掌握智能软件获取数据的方法，根据采集到的数据得到初步结论，强化数据分析的重要性，为进一步分析提供数据基础，并思考“投中”和“投不中”不同组轨迹的区别。教师展示每次抛球的轨迹都基本符合模型预测的抛物线，但还是有误差，思考进一步减小误差的办法，即借助大量数据进行分析。环节四：投篮数据分析——借助AIGC。学生将更多数据导入办公小浣熊这个AIGC工具，通过适当的指令下达，尝试将所有数据画在同一张图上。引导学生思考在结果不满意或者没有结果时该如何继续，通过恰当地提问一步步进行引导分析，然后通过物理介入，进一步用控制变量法聚焦问题，尝试基于大量数据分析，得出相对可靠的结论。学生在实践中体会智能工具在分析真实问题时的优势、物理介入的必要性，以及人工智能和物理在解决真实问题时的相互促进，进而掌握跨学科分析与解决问题的能力。环节五：总结与提升。教师总结本课问题解决的探究思路和流程，以及迁移应用，进一步引发学生思考，强化在现实中从不同角度出发、跨学科迭代解决问题能力的培养。

跨学科系列课程总结思考

本系列课程整体偏重于以学生为主体进行动手实践设计，充分发挥学生的主观能动性。以上三个课例，以“数据与模型”为单元主题，将现实问题的求解过程拆解，从学生已经具备的基础知识出发，将人工智能核心概念由浅入深地逐步渗入。跨学科主题选择可以从信息技术或物理课堂教学内容、前沿科研、日常生活中选取有模型、有数据的情境，解决实验不好做不能做、模型太复杂、数据不好处理或者是无法可视化等问题。在解决两个学科以及生活中真实问题时，既能实现跨学科知识的整合，又能提升学生主动利用跨学科思维进行思考并综合运用多学科知识解决问题的能力，还能激发学生探究现实世界的兴趣。

课程设计需要学生有一定的知识积累和思维基础，具有丰富的物理实验经验，对机器学习概念有初步了解。通过与人的行为类比、查阅资料、直接操作应用程序等方式设计课程活动，不需要有会写代码的计算机基础。课上所用资源主要为：PPT、视频/图片、数据、电子/纸质表格、Tracker程序、Moodle在线讨论与测试、AIGC工具办公小浣熊、拓展电子资源等。

在人工智能+物理跨学科系列课程的双师备课与授课过程中，教师共同深入探究，并在实践中持续迭代与优化创新。学生通过跨学科系列课程的学习，能够充分体会合理模型建构与数据分析的重要性，增强信息意识，提升计算思维与科学思维，强化“界定问题—分析问题—求解问题—迁移应用”的问题求解思路，最终促进跨学科核心素养的发展。

注：本文系全国教育科学规划教育部青年课题“面向未来高阶能力和智能素养的中学跨学科人工智能课程体系建设与教学研究”（课题批准号：EHA190519 ）研究成果